计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言在临床上，心血管疾病常伴有心律失常症状，严重的心律失常可能会导致猝死或心力衰竭的发生，因此，及时、准确地检测心律失常是十分必要的［1］。心电图提供了丰富的心脏健康和病理信息，是诊断心脏疾病的重要方法［2］。心律失常情况通常要由医生给出诊断，但在临床实践中，受到医生经验的差异性和严重的心电噪声影响，往往会出现误诊和漏诊［3］的情况，因此需要找到一种识别带有噪声的心电信号，即文章编号：1006-2475（2023）01-0081-07基于对抗域适应的心电信号深度学习分类算法蒋思清1，陈潇俊2，高豪俊1，何佳晋1，吴健1，2（1.浙江大学公共卫生学院，浙江杭州310058；2.浙江大学睿医人工智能研究中心，浙江杭州310000）摘要：心血管疾病已成为威胁人类生命健康的主要疾病之一。心电图是临床上常见的诊断心律失常的重要方法并被广泛用于监测心脏病患者的健康状况。由于现有的医疗资源匮乏，使用人工智能的方法来分析和诊断从而克服这些局限性的需求愈加迫切，在临床中使用自动检测和分类方法，可以帮助医生对疾病做出准确、快速的诊断。本文对8种常见的心律失常类型进行分类，提出一种基于对抗域自适应的心电信号深度学习分类的方法，解决并改善训练样本标注不足和个体差异导致的数据分布差异现象等问题。该方法包括3个模块：多尺度特征提取A模块、域识别B模块和多分类器C模块。A模块由2组不同的并行卷积块组成，增加了特征提取的宽度。B模块由3个卷积块和1个全连接层组成，用于充分提取浅层特征。在C模块中，将时间特征和深度学习提取特征串联在全连接层上，增强特征多样性。实验结果表明，该方法在准确率、敏感性和阳性预测值上可达到98.8%、97.9%和98.1%，所提出的模型可以帮助医生在常规心电图中准确地检测不同类别的心律失常。关键词：心电信号分类；深度学习；多尺度；时间特征；对抗域自适应中图分类号：TP274文献标识码：ADOI:10.3969/j.issn.1006-2475.2023.01.014DeepLearningClassificationAlgorithmforElectrocardiogramSignalBasedonAdversarialDomainAdaptationJIANGSi-qing1，CHENXiao-Jun2，GAOHao-Jun1，HEJia-jin1，WUJian1，2（1.SchoolofPublicHealth，ZhejiangUniversity，Hangzhou310058，China；2.Real-doctorArtificialIntelligenceResearchCenter，ZhejiangUniversity，Hangzhou310000，China）Abstract：Cardiovasculardiseasehasbecomeoneofthemajor...
